车险在我国非寿险市场中占有着举足轻重的地位,为保险公司贡献了绝大部分利润,随着新一轮车险综合改革的推进,车险费率市场化改革也迎来了新阶段,降费提质的车险改革目标给保险公司的定价工作提出了新的挑战。目前,在国内保险公司车险定价实务中,广义线性及其衍生模型仍是主流方法,但对于尖峰厚尾的车险损失数据而言,其仍有诸多应用上的不足。基于此,本文尝试引入另一种近年来在金融风险度量领域受到了广泛关注的方法来进行车险定价的探索研究,即expectile回归方法。Expectile从非对称最小二乘估计方法中衍生而来,与分位数（quantile）一样可刻画分布情况和尾部特征,但二者类似却又并不相同。分位数是具有明确含义的统计变量,而expectile不具备可解释性,国内目前对其也并没有约定俗成的翻译;此外,在对尾部风险的刻画上,expectile要比分位数更加敏感。虽然expectile并不是分位数,但研究已证明expectile和分位数之间存在着一一映射关系,因此,本文将分位数回归进行车险费率厘定的方法延伸到expectile回归中,借鉴分位数回归进行定价的思路探讨了一种基于expectile回归的纯保费预测模型。同时,为了评价expectile回归方法在车险纯保费预测上的表现,本文分别从理论研究和实证分析的角度,将其与分位数回归和均值回归方法进行了对比研究。从理论分析上,相比于以广义线性模型为代表的均值回归模型,expectile回归和分位数回归共同的优势可总结为以下两点:其一,作为刻画分布的重要工具,expectile回归和分位数回归都能有效地度量尾部风险,因此更适合用于分析厚尾的保险损失数据;其二,expectile回归和分位数回归方法无需假设分布类型,可有效避免模型误设的风险。另一方面,expectile回归模型的损失函数是非对称加权最小二乘损失函数,是二次连续型的;而分位数回归则采用的是非对称加权最小偏差损失函数,不具备可导性,这也是二者区别之根本所在。二次可导型的损失函数不仅让expectile回归相比分位数回归具有计算上的优势,而且性质更为优良,具体表现为:其一,相比于分位数回归,expectile回归在估计方差和协方差矩阵时无需知道条件密度函数;其二,分位数回归采用的是非对称加权绝对偏差损失函数,相比于expectile回归的二次型损失函数,这种一次型的损失函数对误差的惩罚强度更弱,因此可能会导致对保费水平的低估;其三,在风险度量上,expectile回归相比于分位数回归对异常值和极端损失要更为敏感。在实证研究部分,本文通过运用一组国内某保险公司实际经营过程中所产生的保险损失数据,对expectile回归模型、分位数回归模型和均值回归模型的纯保费预测效果进行了对比研究。实证结果表明,相比均值回归模型,expectile回归和分位数回归的预测效果要更好,且expectile回归在均方根误差上的表现又要优于分位数回归;此外,从对尾部风险的预测效果进行比较的角度,相比于分位数回归模型,expectile回归下对大额损失的预测值要普遍更高,表明其对尾部的损失更为敏感、刻画更为准确。基于expectile回归的这种特殊性质,若保险公司想单独关注高索赔人群的风险预测,那么expectile回归则可作为对传统定价工具的有效补充和改进。